ポステリア・オーグメンテッド・フロー・マッチング
arXiv cs.CV / 2026/5/4
📰 ニュースModels & Research
要点
- フロー・マッチング（FM）は高次元の画像データでは学習信号が疎で高分散になりやすく、その結果「フローの崩壊」により汎化性能が低下する可能性がある。
- 本論文では、Posterior-Augmented Flow Matching（PAFM）として、単一ターゲットによる監督を、途中状態と条件に対して妥当なターゲット補完の事後分布にもとづく期待値へ置き換える。
- PAFMは、この扱いにくい事後分布を（i）仮定した終点の下での途中の尤度と（ii）条件付きでの終点の事前確率に分解し、重要度サンプリングで複数候補ターゲットの混合を構成する。
- 著者らはPAFMが元のFM目的に対する不偏推定量を与え、学習中の勾配分散を大幅に抑えられることを理論的に示す。
- 実験ではPAFMがFID50Kで最大3.4改善し、モデル規模・アーキテクチャ（SiT、MMDiT）・クラス/テキスト条件付きベンチマーク（ImageNet、CC12M）で効果が確認され、計算コスト増はごくわずかである（コード公開あり）。
